大数据急速入门（一看就会）

大数据的概念

• 什么是大数据？
  大数据就是很大的数据，那么究竟大到什么程度才算大数据呢？笔者认为大到传统数据库无法一次性处理的数据就称为大数据。
  大数据(big data)：指无法在一定时间范围内用常规软件工具进行捕捉，管理和处理的数据集合，是需要新处理模式才能具有更强的决策力，洞察 发现力和流程观察力的海量，高增长率和多样化的信息资产。

  
  



• 大数据的4V特点
  Volume(大量)，大数据处理的数据是TB，PB，EB级别的
  Velocity(高速)，处理数据速度快，例如双十一。
  Variety(多样)，数据被分为结构化和非结构化数据 。结构化数据：数据库/文本为主；非结构化数据越来越多：网络日志，音频，图片，视频，地理位置信息等。
  Value(价值)，价值密度的高低与数据总量大小成反比。

  
  

从Hadoop看大数据

• 第一代hadoop与第二代hadoop的区别
  第一代hadoop由mapreduce，hdfs，common(辅助工具)组成，其中mapreduce的功能包含分布式计算和资源调度。
  第二代hadoop由mapreduce，yarn，hdfs，common(辅助工具)组成，第二代的hadoop将第一代的mapreduce的功能分离了出来，第二代mapreduce只负责分布式计算，yarn负责资源调度。
  hadoop的组成：mapreduce，hdfs，yarn。


• mapreduce
  mapreduce分布式计算，如何理解呢？mapreduce将计算分成了两个部分map和reduce。map负责将数据提取出来，reduce负责计算。


• hdfs
  hdfs分布式存储，由namenode，datanode，secondary namenode组成。
  如何理解呢？namenode，相当于字典记录数据存在哪里；datanode负责存储数据，；secondary namenode 负责辅助namenode。如果想详细了解请关注博主后续动态，急速入门记住这些就够了。


• yarn
  yarn负责资源调度；由ResourceManager，NodeManager，ApplicationMaster，Contaniner组成。
  ResourceManager主要负责监控NodeManager，启动或监控ApplicationMaster。
  NodeManager主要负责管理单个节点上的资源，处理来自ResourceManager和ApplicationMaster上的命令。
  ApplicationMaster主要负责 数据的切分，为应用程序申请资源并分配给内部的任务。
  Container：是yarn的资源抽象。它封装了某个节点上的多维度资源，如内存，磁盘，cpu，网络等。

运行hadoop前的准备

• 配置一台最小化安装的虚拟机

操作系统：Linux CentOS7
处理器核数：2x4
内存4G，磁盘50G
最小化安装，如下图：

• 初始化虚拟机

yum install -y epel-release


epel-release软件包，会自动配置yum的软件仓库。当然你也可以不安装这个包，自己配置软件仓库也是一样的。

yum install -y psmisc nc net-tools rsync vim lrzsz ntp libzstd openssl-static tree iotop git


psmisc 安装killall命令
nc 能够建立你需要的几乎所有类型的网络连接
net-tools 安装 ifconfig 命令
rsync 主要用于备份和镜像
vim 编辑器
lrzsz 安装sz（下载）和rz（上传）命令
ntp 进行时间同步
libzstd hadoop的一个依赖，负责底层的压缩算法的，可装可不装
openssl-static
tree
iotop
git

关闭防火墙，关闭防火墙自启
systemctl stop firewalld
systemctl disable firewalld


创建用户并修改密码
useradd yuaf
passwd yuaf


配置yuaf用户使其拥有root权限
vim /etc/sudoers


修改/etc/sudoers文件，找到下面一行（91行），在root下面添加一行，如下所示：

在/opt文件下创建文件夹，并修改文件所属主和所属组。

mkdir /opt/module
mkdir /opt/software
chown yuaf:yuaf /opt/module
chown yuaf:yuaf /opt/software


配置静态ip参考这个就不做举例了。
https://blog.csdn.net/Kruskual/article/details/108286566


Hadoop运行环境的搭建

• 克隆虚拟机
  克隆三台虚拟机，怎么克隆就不用说了吧。


• 修改主机名
  分别修改为hadoop32,hadoop33,hadoop34


• 修改静态ip地址
  分别修改为32，33，34


• 修改虚拟机，windows主机映射

sudo vim /etc/hosts


添加如下内容：

windows在C:\Windows\System32\drivers\etc
将hosts文件拷贝到桌面改写添加数据如下图，然后再覆盖原hosts文件

• 导入jdk，hadoop的jar包
  推荐用远程登陆工具fnalshell，把jar包拖到对应目录就好了。
  

  
  



• 解压两个jar包到 /opt/module

  
  

tar -xf /opt/software/jdk-8u212-linux-x64.tar.gz -C /opt/module/
tar -xf /opt/software/hadoop-3.1.3.tar.gz -C /opt/module/

• 配置环境变量

sudo vim /etc/profile.d/my_env.sh


export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin


检验环境变量是否生效
source /etc/profile
hadoop version


• 编写群发脚本，群发解压后的java和hadoop及其环境变量

cd /home/yuaf
mkdir bin
cd bin
vim xsync


#!/bin/bash
#1. 判断参数个数
if [ $# -lt 1 ]
thenecho Not Enough Arguement!exit;
fi
#2. 遍历集群所有机器
for host in hadoop32 hadoop33 hadoop34
doecho ==================== $host ====================#3. 遍历所有目录，挨个发送for file in $@do#4. 判断文件是否存在if [ -e $file ]then#5. 获取父目录pdir=$(cd -P $(dirname $file); pwd)#6. 获取当前文件的名称fname=$(basename $file)ssh $host "mkdir -p $pdir"rsync -av $pdir/$fname $host:$pdirelseecho $file does not exists!fidone
done

给脚本可执行权限
chmod +x xsync
将脚本xsync拷贝到/bin目录下
sudo cp xsync /bin/
将/home/yuaf/bin分发到其他两台虚拟机
xsync /home/yuaf/bin
将/bin/xsync分发到其他两台虚拟机
sudo xsync /bin/xsync


将配置文件发到其他 两台虚拟机上
sudo xsync /etc/profile.d
将hadoop和jdk发到其他两台虚拟机上
xsync /opt/module


• 设置普通用户及root用户免密登录

yuaf用户的免密登录
cd /home/yuaf/.ssh
进入.ssh目录
ssh-keygen -t rsa
生成公钥和私钥
ssh-copy-id hadoop32
将公钥发给自己
sudo xsync ./
将公钥拷贝到要免密登录的机器上


root用户的免密登录
su
使用root用户
cd /root/.ssh
ssh-keygen -t rsa
ssh-copy-id hadoop32
sudo xsync ./


完全分布式运行Hadoop

• 配置Hadoop文件
  core-site.xml

cd $HADOOP_HOME/etc/hadoop
vim core-site.xml



<configuration><property><name>fs.defaultFSname><value>hdfs://hadoop32:9820value>
property>
<property><name>hadoop.tmp.dirname><value>/opt/module/hadoop-3.1.3/datavalue>
property><property><name>hadoop.http.staticuser.username><value>yuafvalue>
property><property><name>hadoop.proxyuser.yuaf.hostsname><value>*value>
property>
<property><name>hadoop.proxyuser.yuaf.groupsname><value>*value>
property>
<property><name>hadoop.proxyuser.yuaf.groupsname><value>*value>
property>configuration>

hdfs-site.xml

vim hdfs-site.xml



<configuration><property><name>dfs.namenode.http-addressname><value>hadoop32:9870value>property><property><name>dfs.namenode.secondary.http-addressname><value>hadoop34:9868value>property>
configuration>

yarn-site.xml

vim yarn-site.xml



<configuration><property><name>yarn.nodemanager.aux-servicesname><value>mapreduce_shufflevalue>
property>
<property><name>yarn.resourcemanager.hostnamename><value>hadoop33value>
property>
<property><name>yarn.nodemanager.env-whitelistname><value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOMEvalue>
property>
<property><name>yarn.scheduler.minimum-allocation-mbname><value>512value>property><property><name>yarn.scheduler.maximum-allocation-mbname><value>4096value>
property>
<property><name>yarn.nodemanager.resource.memory-mbname><value>4096value>
property>
<property><name>yarn.nodemanager.pmem-check-enabledname><value>falsevalue>property><property><name>yarn.nodemanager.vmem-check-enabledname><value>falsevalue>property>
configuration>

mapred-site.xml

vim mapred-site.xml



<configuration><property><name>mapreduce.framework.namename><value>yarnvalue>property>
configuration>

workers

vim /opt/module/hadoop-3.1.3/etc/hadoop/workers


hadoop32
hadoop33
hadoop34

• 将配置文件分发给其他服务器

xsync /opt/module/hadoop-3.1.3/etc/


• 第一次运行时格式化

hdfs namenode -format


• 启动hdfs

[yuaf@hadoop32 hadoop]$ start-dfs.sh

• 启动yarn

[yuaf@hadoop33 hadoop-3.1.3]$ start-yarn.sh